Claude Fable 5.2实测：智商登顶但贵得离谱

Anthropic 同时发布了两款新模型：Fable 5.2 和 Mythos 5.2。二者本质上是同一个模型，Mythos 5.2 面向网络安全测试人员，加了更少的护栏；普通用户能用的是 Fable 5.2，它在网络安全方面有更严格的限制。据 B 站 UP 主实测，这是近期少有的、能实际用到且提升幅度明显的模型——Google 的 Carbon 虽然已经公布，但尚未向公众开放。

基准测试：硬核任务大幅跃升，日常编码提升有限

Fable 5.2 在多数基准上刷新了 SOTA。最显眼的是 agentic 科学研究一项，从 Opus 5.5 的 58.7 一路涨到 74.6，中间 Astra 为 68.1、Carbon 为 64.8。相比之下，agentic coding 的进步就温和得多：Frontier code 从 Opus 5 的 45.5% 升到 49.1%，Frontier SWE v2 提升约 7 个百分点。商业工作流方向，Gemini Carbon 反而领先两个百分点。

一个反直觉的发现是：让模型「想更久」不一定更好。在 Frontier code 2.0 上，Fable 5.2 在 extra high 档的得分高于 max 档——max 模式思考更久、花费更高，表现却更差。另一组对比更有意思：Fable 5.2 在 high 档的表现大致等于 Opus 5.5 在 max 档，但成本更低。

人工分析（Artificial Analysis）的综合智能评分中，Fable 5.2 登顶，甚至超过了尚未全面开放的 Gemini 4 Carbon。但代价不菲：max 推理模式下平均每个任务成本约 26.54 美元，是所有模型里最贵的。不过它的输出 token 消耗量低于 Sonnet 5.5，说明单次任务用的 token 反而更少。

agentic 基准指让模型在模拟或真实环境中自主完成多步骤任务（而非单轮问答）的评测方式，例如自主调用工具、编写并运行代码、检索资料、根据反馈迭代。与静态问答基准相比，它更贴近实际工作流，也更难刷分，因此分数差距往往被放大解读。文中出现的 agentic 科学研究、agentic coding、Frontier SWE v2 都属于此类。

SWE 基准（Software Engineering 基准）以真实开源仓库的 issue 为题目，要求模型定位并修改代码、通过仓库自带的测试。Frontier SWE v2 是该类基准的较新版本，难度更高。它衡量的是端到端修复能力，而不只是代码补全的准确率。

实测游戏：机制一次成型，美术略逊 Opus

UP 主用经典的「克隆 Mega Bonk」提示词做了测试。Anthropic 近期调整了策略，模型不再直接克隆现有游戏，但也没有拒绝——它会先声明「不会复刻 Mega Bonk 本身」，然后构建一个同类型的原创游戏。

生成的作品名为《Shard Storm》，第三人称、生存 roguelite、自动开火、XP 宝石、升级选择，机制全部正常：冲刺消耗体力、升级获得二段跳、音效按预期触发。16 分钟生成完毕，一次跑通。UP 主的评价是「机制完美，但画面不如 Opus 5.5」——他推测部分原因是自己只开了 medium 推理档。

社区里拿到早期访问权的开发者展示了更高上限：Matt Berman 团队的 Gears of War 克隆画质惊艳，Alex 在两小时 demo 里做出了 Zelda 复刻、Halo 风格游戏、Iron Man 游戏、Photoshop 克隆、Premiere 克隆和变声器，一天内跑了 23 个 demo。Peter Yang 则让它纯用代码生成了一段 20 秒的秋季神社旅行广告，音乐、美术、动画全部由代码驱动。另一位开发者 Matt Schumer 做出了实时映射真实地球的开放世界游戏，可破坏场景、实时天气，虽然偶尔出现穿模和人物冻结的 bug。

推理档位（如 medium、high、extra high、max）是这类模型提供的「思考预算」开关：档位越高，模型在给出答案前生成的内部推理 token 越多，耗时和费用也越高。业界通常假设档位越高效果越好，但文中 Frontier code 2.0 的结果表明这种假设并不总成立——过长的推理可能引入过度探索或偏离目标，反而不如中等档位。因此在实践中应按任务类型和成本敏感度选择档位，而不是无脑开 max。

硬件设计：从零件清单到 3D 打印外壳

UP 主给了一个现实世界的任务：设计一个手持桌面小装置，按下按钮时像素风的 Gary Busey 会有反应，要求给出规格、选型、固件代码、可 3D 打印的外壳和接线说明。

模型给出了完整方案：Raspberry Pi Pico H 主控、显示屏、按钮、跳线、螺丝、热缩管等采购清单，四个 STL 打印文件，Python 固件，以及分步装配手册。护栏在这里也起了作用——它拒绝使用真人肖像，把角色换成了原创机器人。UP 主追加要求「带图片的详细装配手册」并开到 high 档，约 15 分钟后拿到了一份逐层拆解的图文指南，他表示打算真的动手把这个装置做出来。

Anthropic 官方给的案例更夸张：一位工程师让 Fable 5.2 从空文件夹开始设计一个原型操作系统，模型协调超过 1000 个子 agent 连续工作八天，产出了一个能在笔记本上启动的系统，包含驱动、永久文件存储、窗口、登录界面和安装器。它还用两个开源蛋白质折叠模型，找到了准确预测完整衣壳结构的新方法。硬件方面，一段话的提示词就让三个带电路板、3D 打印外壳和软件的电子设备成型。

子 agent 编排指主模型把一个大目标拆成多个子任务，分别派发给独立的模型实例并行或串行执行，再由主模型汇总结果、检查一致性并继续推进。文中「协调超过 1000 个子 agent 连续工作八天」即属此类：它考验的不只是单个模型的能力，还包括任务分解、上下文传递、错误恢复和长时程状态管理。这也是「编排者」使用模式的极端形态。

定价与使用建议：日常用 Opus，硬仗才上 Fable

API 价格是每百万 token 输入 8 美元、输出 40 美元，是 Opus 5.5 的两倍，但比上一代 Fable 5.1 的 10/50 便宜，也略低于通过 OpenAI 使用的 Astra（10/50）——而且多数基准上更聪明。所有付费 Claude 计划（Pro 每月 17 美元起、Max Ultra 等）都能在模型下拉菜单里看到 Fable 5.2，免费用户无法使用。发布首周有额外的使用额度和周用量折扣。

Anthropic 自己的建议很直接：大多数编码和知识任务从 Opus 5.5 起步，需要时再切换到 Fable。Fable 5.2 更适合两种角色——顾问，由它指导 Haiku、Sonnet、Opus 干活；或者编排者，它把握全局，把简单任务分派给更小的模型。

至于那个所有基准里最重要的「Busey Bench」——生成 Gary Busey 的 SVG 版本——UP 主花了 19 分 50 秒、122248 个 token、接近 5 美元，结果在 LLM 评委排名里只排第六，落后于所有 GPT 模型和 Gemini 4 Argon。

顾问模式与编排者模式是两种不同的模型分工思路。顾问模式下，强模型不直接产出最终结果，而是给出方案、评审或纠错意见，由小模型执行，从而用少量高价值 token 换取整体质量提升；编排者模式下，强模型负责全局规划与任务分派，把简单子任务交给更便宜的模型，自身只处理难点。两者的共同点是让小模型承担大部分 token 消耗，以缓解强模型单价高的问题。

一句话结论

这是为硬问题准备的模型：理论物理、蛋白质折叠、数学形式化、硬件与机器人。如果你只是做日常研究和中小型编码项目，Opus 5.5 足够；如果你要做游戏、找深藏 bug、设计实体装置，Fable 5.2 是目前能摸到的最强工具之一，只是别轻易开 max 档。